Resumo Técnico: KAN-Therm

Declaração do Problema

A operação confiável de baterias de íon-lítio é crítica para a segurança e longevidade, particularmente em aplicações de segurança crítica, como veículos elétricos e redes inteligentes. Um desafio fundamental é a estimativa precisa em tempo real da temperatura do núcleo da bateria, que é inacessível à medição direta. Embora existam modelos físicos de alta fidelidade (por exemplo, observadores H∞, filtros de Kalman), eles sofrem com altas demandas computacionais, dificuldades de parametrização e baixa observabilidade, tornando-os inadequados para Sistemas de Gerenciamento de Baterias (BMS) físicos com recursos limitados. Por outro lado, as abordagens baseadas em dados existentes (por exemplo, MLPs, LSTMs, XGBoost) oferecem estimativas mais rápidas, mas frequentemente exigem sobrecarga significativa de memória e recursos computacionais para armazenar estruturas de rede complexas, criando um compromisso entre precisão e implantabilidade em hardware embarcado.

Metodologia

Os autores propõem o KAN-Therm, um modelo térmico leve baseado em dados, fundamentado em Redes de Kolmogorov-Arnold (KANs), para estimar a temperatura do núcleo de uma célula de bateria cilíndrica.

1. Fundamentação Teórica

Diferentemente das Redes de Perceptron Multicamadas (MLPs) tradicionais, que utilizam funções de ativação não lineares fixas com pesos lineares aprendíveis, as KANs substituem os pesos escalares por funções univariadas aprendíveis (parametrizadas por B-splines) nas arestas. Essa arquitetura é fundamentada no teorema da representação de Kolmogorov-Arnold, permitindo que a rede capture relações não lineares complexas com menos parâmetros e com interpretabilidade aprimorada.

2. Geração de Dados

Os dados de treinamento e validação foram gerados utilizando um modelo térmico de parâmetros concentrados de uma célula de bateria LiFePO4–LiC6 cilíndrica de 2,3 Ah. O modelo simula a dinâmica da temperatura do núcleo ($T_1$), da temperatura da superfície ($T_2$) e da temperatura do refrigerante ($T_\infty$) sob diversas condições:

• Entradas: Corrente aplicada ($I$), potência de resfriamento ($\dot{Q}_c$), temperatura do refrigerante ($T_\infty$) e temperatura da superfície ($T_2$).
• Cenários: Os dados foram coletados a partir dos ciclos de condução Urban Dynamometer Driving Schedule (UDDS), US06 e VEIL2NREL, bem como perfis de carregamento com corrente constante (CC) variando de 0,9C a 10C.
• Ruído: Ruído de sensor realista (ruído gaussiano com $\sigma=0,015K$ para temperatura e $\sigma=0,006A$ para corrente) foi adicionado para simular medições físicas.

3. Arquitetura do Modelo e Treinamento

• Estrutura: O modelo KAN-Therm utiliza uma arquitetura compacta com uma camada de entrada de 4 nós, uma camada oculta de 1 nó e uma camada de saída de 1 nó (configuração [[4, 1, 1]]).
• Otimização de Hiperparâmetros: Uma busca em grade exaustiva foi conduzida para determinar configurações ótimas, incluindo ordem do spline ($k=3$), intervalos da grade ($G=2$), penalidades de esparcificação ($\lambda, \nu_1, \nu_2$) e épocas de treinamento (70).
• Função de Perda: O objetivo do treinamento minimiza uma combinação de erro quadrático médio de previsão e termos de regularização (norma L1 e auto-entropia) para impor esparcidade e compacidade ao modelo.
• Linhas de Base: O modelo foi comparado contra quatro benchmarks de última geração: MLP, RNN, LSTM e XGBoost, todos ajustados via busca em grade.

Contribuições Principais

1. Desenvolvimento do KAN-Therm: O artigo introduz uma arquitetura específica baseada em KAN, adaptada para a estimativa da temperatura do núcleo da bateria, demonstrando que funções de ativação aprendíveis podem modelar efetivamente a dinâmica térmica com eficiência extrema de parâmetros.
2. Otimização para BMS Físicos: Através de ajuste rigoroso de hiperparâmetros, os autores identificaram uma configuração que equilibra precisão com as restrições estritas de memória e computação do hardware de BMS físico (por exemplo, sistemas com FRAM limitado).
3. Benchmarking Abrangente: O estudo fornece uma comparação detalhada da KAN contra redes neurais tradicionais e modelos baseados em árvores em cinco métricas: contagem de parâmetros, tempo de estimativa e RMSE (treinamento, validação e teste).

Resultados

A comparação de desempenho em um conjunto de dados de teste (incluindo correntes constantes e perfis dinâmicos VEIL2NREL) produziu as seguintes constatações:

• Eficiência de Parâmetros: O KAN-Therm é o modelo mais compacto, exigindo apenas 25 parâmetros aprendíveis. Isso é significativamente menos do que a RNN (121), MLP (369), LSTM (877) e XGBoost (6.000).
• Velocidade Computacional: O KAN-Therm alcançou o tempo de estimativa mais rápido, de 0,0395 µs por amostra. Foi aproximadamente 21,7 vezes mais rápido que a RNN, 12,5 vezes mais rápido que a LSTM e 20,4 vezes mais rápido que o XGBoost. Também superou o modelo de integração numérica baseado em física (1,3 µs).
• Precisão:
  • RMSE de Teste: A RNN alcançou o menor RMSE de teste (0,0334 K), seguida pela LSTM (0,0359 K). O KAN-Therm alcançou um RMSE de teste de 0,0477 K.
  • Análise de Erro: A diferença no RMSE entre a RNN de melhor desempenho e o KAN-Therm é de 0,0143 K, que os autores observam ser comparável ao nível de ruído do sensor (0,015 K).
  • Compromisso: Embora o KAN-Therm tenha um RMSE ligeiramente superior ao da RNN e LSTM, ele oferece um equilíbrio superior entre precisão e eficiência. O erro relativo do KAN-Therm é de aproximadamente 0,0125%, considerado suficiente para aplicações de segurança a jusante.

Significado e Alegações

O artigo afirma que o KAN-Therm aborda com sucesso a dicotomia entre a precisão de estimativa desejada e a praticidade do mundo real no gerenciamento de baterias. Ao aproveitar a eficiência de parâmetros e a interpretabilidade das KANs, o modelo fornece uma alternativa leve adequada para implantação em hardware de BMS físico com recursos limitados, onde modelos de alta fidelidade são computacionalmente muito caros e redes neurais padrão são muito intensivas em memória.

Os autores enfatizam que, embora o KAN-Therm não supere estritamente as RNNs em precisão bruta, sua redução massiva na contagem de parâmetros (79,3% menos que a RNN) e no tempo de inferência (21,7 vezes mais rápido) o torna uma solução viável e escalável para monitoramento térmico em tempo real e de segurança crítica em sistemas embarcados. O trabalho sugere que as KANs podem substituir efetivamente arquiteturas mais complexas em cenários onde os recursos computacionais são limitados.